近些年来,随着大数据在各个行业领域应用的不断深入,数据作为基础性战略资源的地位日益凸显,数据标准化、数据确权、数据质量、数据安全、隐私保护、数据流通管控、数据共享开放这些问题越来越受到国家、行业、企业各个层面的高度关注。
数据质量在任何系统当中都是十分重要却容易被忽视的一部分。构建完整的数据质量管理体系,既是支持企业系统稳定运行的基本保障,同时也是企业进行数字化转型、创新的必备条件。
值得注意的是,数据质量改进不仅仅是姓名与通讯地址的更正,这个问题的复杂性与企业的信息使用量成正比。有10个误区是热衷于构建数据质量计划的企业应加以防范的。
数据质量对于大多数企业都是棘手问题,主要体现在主数据管理和治理上。不仅如此,数据质量已经成为了BI分析项目的热点话题。
数据集成是商业智能(BI)流程的关键组成部分,可将来自多个源系统的数据进行整合,并将它们合并到数据仓库以作分析。不过,对于BI数据集成策略,
当无法通过商业智能系统和报告系统提供准确的数据时,业务总体上都会受到影响。以下是为创建报表的商业智能系统提供不可靠数据所造成的一些后果。
运用MDM和Informatica Data Quality将最终降低数据集成的工作量,提高从商业智能和报表推导的洞察分析的质量,
值得注意的是,数据质量改进不仅仅是姓名与通讯地址的更正,这个问题的复杂性与企业的信息使用量成正比。有10个误区是热衷于构建数据质量计划的企业应加以防范的。
理解客户和企业的关系是企业实施CRM的核心,倘若企业能实施一个良好的客户数据质量管理计划,将向“远景”迈出了坚实的一步。
本文提供一个在数据仓库项目的实施过程中,可增量添加的、可扩展的数据质量体系结构,它可以保证以最小的对前期投资的影响,并增加到存在的数据仓库和数据集成环境中。使用这个